Normalizing Flows
PulseAugur coverage of Normalizing Flows — every cluster mentioning Normalizing Flows across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
OrthoGen：一种用于时变治疗的新型生成正交学习器
研究人员开发了 OrthoGen，这是一种新颖的生成正交学习器，旨在估计时变治疗场景下的条件分布潜在结果 (CDPOs)。该方法解决了医疗应用中时变混杂因素带来的挑战，例如预测不同治疗序列下患者的特定风险。OrthoGen 采用生成递归 g 估计调整策略，直接对结果分布进行建模，提供双重稳健性和准最优效率。该框架具有灵活性，能够集成各种生成模型，如正态流和扩散模型，并在合成、半合成和真实世界数据集上证明了其有效性。
-
复杂模拟模型似然近似的新视角
研究人员提出了一种利用聚合归一化流链对复杂模拟模型进行似然近似的新视角。该方法旨在促进可扩展的数据分析、高效的参数探索以及用于假设检验和不确定性量化的稳健统计处理。所提出的方法涉及顺序估计双射变换集参数，利用信息论形式化和顺序决策范式来更新和聚合这些参数。
-
新框架利用归一化流增强低分辨率图像表示
研究人员开发了LR2Flow，一个新颖的框架，通过结合小波紧框架和归一化流来增强低分辨率图像表示。该方法旨在保留重要的视觉内容，同时实现原始图像的准确重建。该框架的有效性已通过图像重缩放、压缩和去噪实验得到证明，突显了其鲁棒性以及可逆神经网络在小波紧框架领域的价值。
-
CDFlow 推出高效可逆层用于生成模型
研究人员开发了 CDFlow，一种使用循环和对角矩阵为深度生成模型构建可逆层的新方法。该方法降低了矩阵求逆和行列式计算的参数复杂度和计算成本，比传统方法更高效。CDFlow 在图像数据集的密度估计方面表现出色，尤其适用于具有周期性结构的数据，为可扩展的生成模型提供了实际优势。
-
归一化流用于恢复弱科学信号
研究人员开发了一种新颖的方法，使用归一化流模型来重建被科学数据中更强的干扰信号所掩盖的弱信号。该技术解决了在尝试减去主导信号时的校准过程中发生的固有失真。通过假设统计不变性和目标信号的最小初始抑制，所提出的框架旨在有效恢复丢失的信号分量。该方法通过理论概述进行了详细介绍，并通过模拟进行了验证。
-
新的MAGT方法为高维数据提供直接生成式传输
研究人员推出了一种新颖的生成高维数据的方法——流形对齐生成式传输（MAGT），该方法将数据集中在低维结构附近。与需要迭代去噪的扩散模型或需要可逆映射的标准归一化流不同，MAGT直接将数据从低维基础分布进行传输。该方法在选定的高斯平滑级别上比较数据和生成器诱导的分数，通过重要性采样来近似分数。在合成数据、图像和表格数据上的实验表明，与扩散模型、流匹配和对抗基线相比，MAGT在保真度、支持对齐和采样成本方面都具有有效性。
-
新统计方法使用归一化流进行无似然推断
已开发出一种新的无似然推断统计方法，在处理干扰参数时特别有用。该方法利用基于神经网络的归一化流来识别一个枢轴统计量，该统计量显示其p值的平均Kullback–Leibler散度最小。与Welch检验和似然比剖面法等现有技术相比，该方法在小样本量上，在功效和速度方面表现更优，并且可以纳入不变性的先验知识。
-
新框架使用归一化流对真实图像噪声进行建模
研究人员开发了一个新的归一化流 (NF) 框架，以更有效地对真实图像噪声进行建模。与之前在采样阶段仍依赖相机元数据的旧方法不同，该新框架会估计底层相机设置，以改进噪声建模并生成多样化的噪声分布。实验结果表明，该方法在基准数据集上实现了卓越的噪声质量并增强了去噪性能。
-
Apple 发布 STARFlow2，实现统一的文本图像生成
Apple 研究人员开发了 STARFlow2，这是一种新颖的架构，通过连接语言模型和归一化流来实现多模态生成。这种方法允许连续、单次、纯粹因果地生成交错的文本和图像序列，保留预训练的多模态理解能力，并实现高保真图像合成。该系统利用带有残差跳跃连接和统一潜在空间的 Pretzel 架构，允许文本和视觉输出直接进入 KV 缓存，从而提高生成效率。
-
AI利用归一化流加速大型强子对撞机探测器模拟
研究人员开发了一种使用微调归一化流（NFs）的新方法，以加速大型强子对撞机粒子探测器响应的模拟。该方法解决了ALICE零度量能器传统蒙特卡洛模拟的计算成本问题。通过采用迁移学习和针对不同粒子类型微调专用模型，新框架显著提高了模拟效率和准确性，在各种与物理相关的指标上均优于现有方法。
-
新的TORF框架提高了概率时间序列预测的准确性
研究人员引入了两阶段奇余流（TORF），一个旨在提高概率时间序列预测的创新框架。TORF通过解耦这两个方面来解决灵活分布建模和准确均值预测之间的常见权衡。该方法首先使用预训练的确定性模型进行精确的均值预测，然后使用限制性归一化流学习残差分布，同时保持初始均值估计。这种方法旨在实现高精度的点预测和稳健的密度估计。
-
归一化流减少晶格量子色动力学计算中的方差
研究人员开发了一种使用归一化流来减少晶格量子色动力学（QCD）计算中方差的方法。该方法已应用于SU(3)杨-米尔斯理论和两夸克量子色动力学中的胶子算子插入，在胶球关联函数和与强子结构相关的矩阵元中实现了10-60的方差减少因子。该技术展示了计算优势，并且方差减少在很大程度上独立于晶格体积，从而实现了优化的训练成本。
-
新的CAN-FLOW框架为虚拟队列生成逼真的心脏解剖结构
研究人员开发了CAN-FLOW，一个用于为虚拟队列生成逼真心脏解剖数据的新框架。该方法利用条件归一化流，根据性别、年龄和体重指数等因素对解剖变异性进行建模。CAN-FLOW在2,208名英国生物银行受试者的数据上进行了训练，在重现临床表型分布和解剖趋势方面，其性能优于条件变分自编码器。该框架旨在解决心脏数字孪生研究中的数据限制问题，并促进计算机模拟临床试验工作流程。
-
生成模型增强蒙特卡洛采样技术 · 2 篇论文
两篇最新的 arXiv 论文探讨了使用生成模型来增强复杂概率分布中采样技术的应用。第一篇论文介绍了一种面向 Lévy 驱动生成模型的生成器引导逆采样方法，将逆过程分解为扩散、小跳跃和大跳跃分量，以提高可解释性和可控性。第二篇论文回顾了使用生成模型（如归一化流和扩散模型）辅助蒙特卡洛采样的兴起范式，特别适用于高维和多模态分布，为物理学和机器学习研究人员提供了教程。
-
新技术的归一化流用于高效的多模态后验估计
研究人员开发了一种使用归一化流进行摊销后验估计的新方法，该方法通过似然加权重要性采样进行训练。该技术可以在高维逆问题中高效地推断理论参数，而无需后验训练样本。研究强调了基分布拓扑的重要性，发现标准的单峰分布无法捕捉断开的模式，导致出现虚假的概率桥接。使用与目标模式基数匹配的高斯混合模型初始化流可以显著提高重建保真度。
-
新的随机投影流框架用于流形密度估计
研究人员推出了一种名为随机投影流（RPF）的新型框架，该框架旨在对位于低维流形上或附近的复杂高维数据进行高效密度估计。该方法利用了随机矩阵理论和随机投影几何的工具，使用随机半正交矩阵将数据投影到低维潜在空间。与主成分分析流或学习到的内射映射等现有方法不同，RPF被呈现为一种即插即用、高效的解决方案，其里奇流形体积校正项具有封闭形式的表达式，为生成模型提供了强大的基线。
-
人工智能系统现在可以更谨慎地检测低图像质量下的物体
研究人员开发了一种新方法，用于提高人工智能系统在面对低质量图像数据时的可靠性，尤其是在自动驾驶领域。该方法采用一种“故障降级”系统，该系统根据估计的图像质量降低网络的置信度阈值，从而在不确定的条件下实现更谨慎的物体检测。该方法利用归一化流将输入图像与训练数据进行比较，使人工智能能够更好地处理噪声或黑暗，而无需备用解决方案，从而增强了对人工智能系统的信任。
-
新的 HLSF 框架使用机器学习融合增强网络异常检测
研究人员开发了一个名为混合潜在结构融合 (HLSF) 的新框架，以改进网络异常检测。该方法结合了两种强大的无监督机器学习技术：用于结构异常分数的 CANDECOMP-PARAFAC 交替泊松回归 (CP-APR) 和用于潜在空间密度分数的归一化流。在洛斯阿拉莫斯国家实验室 (LANL) 泄露的用户凭证数据集上进行的实验表明，HLSF 的性能优于单独使用 CP-APR 或归一化流。
-
新的NFTR方法通过避免模式崩溃改进离线目标条件RL
研究人员推出了一种新颖的离线目标条件强化学习方法NFTR（Normalizing Flows subgoal policies with Triangle-slack Reweighting）。NFTR通过使用条件归一化流（conditional Normalizing Flow）替换标准高斯策略，从而避免模式崩溃，解决了现有分层隐式Q学习（HIQL）的局限性。此外，它还引入了三角松弛分数（triangle slack score）来…
-
新工具Memisis简化了健康数据集的合成数据生成
研究人员开发了Memisis，一种旨在简化表格健康合成数据集的创建和评估的新型工具。该系统集成了各种合成库、大型语言模型和先进的评估指标，以确保隐私、效用和公平性。Memisis提供手动配置和交互式代理模式，允许用户用自然语言指定数据生成目标。该工具使用精神分裂症数据集进行了演示，评估了包括GAN、VAE、扩散模型和归一化流在内的六种不同的合成器。